Dashboard Practical

---
title: "Dashboard Practical"
output: 
  flexdashboard::flex_dashboard:
    vertical_layout: fill
    theme: lumen
    source_code: embed
    social: ["twitter", "facebook"]
---

```{r setup, include=FALSE}
# Lade Pakete
library(flexdashboard)
library(tidyverse)
library(plotly)
library(leaflet)
library(viridis)
library(htmltools)
library(lubridate)
library(patchwork)

airbnb <- read_csv("1_Data/airbnb.csv")
```

Übersicht der Airbnbs in Berlin {data-orientation=rows}
======================================================================

Allgemein {data-height = 400}
----------------------------------------------------------------------

### Superhosts

```{r}
# Anzahl Superhosts; Medallienicon und Airbnb Farbe
valueBox(sum(airbnb$Host_superhost),
         caption = "Superhost",
         icon = "fa-medal", color = "#008489")
```

### Allstar

```{r}
# Berechne die Anzahl allstars, mit ausschliesslich top ratings
allstar <- airbnb %>% 
  mutate(Rating_gesamt = Rating_gesamt / 10) %>% 
  select(starts_with("Rating")) %>% 
  mutate(Ratings_m = rowMeans(.)) %>% 
  filter(Ratings_m == 10) %>% 
  summarise(n())

valueBox(allstar, caption = "Allstar",
         icon = "fa-gem", color = "#f5d142")
```

### Preiswert

```{r}
# Berechne die Anzahl preiswerter Airbnbs
valueBox(sum(airbnb$Preis < 100),
         caption = "Preiswert",
         icon = "fa-money-bill-wave", color = "#85a95d")
```

Berlin
----------------------------------------------------------------------

```{r fig.width=18, fig.height=6.5}

## Farbpalette vorbereiten
# Anzahl Stadtteile
n_stadtteile <- length(unique(airbnb$Stadtteil))
# Definiere n_stadtteile verschiedene Farben aus der viridis palette
farben <- viridis(n_stadtteile)
# Erstelle Farbpalette
pal <- colorFactor(farben,
                   domain = unique(airbnb$Stadtteil))

# Erstelle neue Variable für die Labels
airbnb %>% 
  mutate(
    superhost = case_when(isTRUE(.$Host_superhost) ~ "Ja",
                          TRUE ~ "Nein"),
    info = paste0("Unterkunft: ", Unterkunftsart,
                  "
Schlafzimmer: ", Schlafzimme,
                  "
Superhost: ", superhost,
                  "
Preis pro Nacht: ", Preis, "€")
  ) %>% 
  # Erstelle Plot
  leaflet() %>% 
  # Setze Anfangskoordinaten und Zoomwert
  setView(lng = 13.40439, lat = 52.51128, zoom = 12) %>% 
  # Zeichne Karte
  addTiles() %>%
  # Füge Marker hinzu
  addCircleMarkers(
    lng = ~Längengrad,
    lat = ~Breitengrad,
    radius = 4,
    color = ~pal(Stadtteil),
    stroke = FALSE, fillOpacity = 0.5,
    label = ~lapply(info, HTML),
    labelOptions = labelOptions(textsize = "15px")
  ) %>% 
  # Füge Legende hinzu
  addLegend(pal = pal, values = ~Stadtteil, opacity = 1)

```



Entwicklung über Zeit {data-orientation=columns}
======================================================================


Entwicklung über die Zeit {data-width = 750}
----------------------------------------------------------------------

### Entwicklung der Berliner Airbnbs seit 2009

```{r fig.width=12, fig.height=7}

### Plot zum Verlauf über die Zeit
# Passe den Datensatz an
Verlauf <- airbnb %>%
  group_by(Stadtteil) %>%
  arrange(Erstellungsdatum) %>%
  mutate(Datum = Erstellungsdatum,
         Kumulativ = log10(1:n())) %>%
  group_by(Stadtteil, Datum, Kumulativ) %>% 
  summarise(
    m_preis = mean(Preis, na.rm = TRUE),
    superhosts = sum(Host_superhost, na.rm = TRUE),
    m_rating = mean(Rating_gesamt, na.rm = TRUE),
    hover_text = paste0("Mittlerer Preis: ", m_preis,
                        "
Superhosts: ", superhosts,
                        "
Mittleres Gesamtrating: ",
                        m_rating, "")
  ) %>% 
  # Erstelle den Plot
  ggplot(aes(x = Datum, y = Kumulativ, col = Stadtteil)) +
  geom_point(aes(text = hover_text)) +
  geom_line(show.legend = FALSE) +
  scale_color_manual(values = farben) +
  ylab("log₁₀(Kumulative Häufigkeit)") +
  theme_light()

# Rufe ggplotly auf, um die Plotly Version zu erstellen
ggplotly(Verlauf)

```

Erklärung {data-width = 250}
----------------------------------------------------------------------

### Hintergründe

**Airbnbs in Berlin**

Das erste Airbnb in Berlin öffnete 2009 im Stadtteil [Pankow](https://de.wikipedia.org/wiki/Berlin-Pankow) (siehe auch [Übersichtskarte](#page-1)). Von da an war ein rascher Anstieg zu verzeichnen. Bereits 6 Jahre später gab es in Berlin-Pankow alleine `r round(10**2.3)` Airbnbs. Mittlerweile ist diese Zahl auf rund `r round(10**3.2 / 100) * 100` angestiegen.

Das teuerste heute verfügbare Airbnb kostet dabei `r max(airbnb$Preis)` pro Nacht; für die meisten Leute nicht gerade ein Schnäppchen. Dabei handelt es sich um ein `r airbnb$Unterkunftsart[max(airbnb$Preis)]` im Stadtteil `r airbnb$Stadtteil[max(airbnb$Preis)]`.

Insgesammt wurden über die Jahre in Berlin `r as.integer(sum(airbnb$host_anzahl))` Gäste in Airbnbs empfangen.



Bewertungen der Airbnbs {.storyboard}
======================================================================


Bewertungen
----------------------------------------------------------------------

### Gesamtrating {data-commentary-width=300}

```{r}

# Erstelle das Histogramm der Gesamtratings
pg1 <- ggplot(airbnb, aes(Rating_gesamt)) +
  geom_histogram(binwidth = 1) +
  labs(x = "Gesamtrating",
       y = "Häufigkeit") +
  coord_cartesian(xlim = c(0, 100)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  ) 

# Erstelle das Streudiagramm für den Zusammenhang von Preis und 
# Gesamtrating
pg2 <- ggplot(airbnb, aes(x = log10(Preis), y = Rating_gesamt)) +
  geom_point(alpha = .25) +
  labs(x = bquote("log"[10]*"(Preis)"),
       y = "Gesamtrating") +
  coord_cartesian(ylim = c(0, 100)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  )

# Plotte die Grafiken untereinander
pg1 / pg2

```


*** 

```{r fig.width=3,fig.height=2, fig.align="center"}
# erstelle einen gauge der mittleren Gesamtratings
gesamtrating <- round(mean(airbnb$Rating_gesamt, na.rm = TRUE), 1)
gauge(gesamtrating, min = 0, max = 100, gaugeSectors(
  success = c(80, 100), warning = c(50, 79), danger = c(0, 49)
))
```

Die Berliner Airbnbs scheinen allgemein in einem sehr guten Zustand zu sein. Zumindest lassen die hohen Gesamtratings darauf schliessen. Allerdings scheint es kaum einen Zusammenhang mit dem Preis zu geben, worüber sich Sparfüchse freuen dürften.





### Sauberkeit {data-commentary-width=300}

```{r}
# Erstelle das Histogramm der Sauberkeitsratings
ps1 <- ggplot(airbnb, aes(Rating_sauberkeit)) +
  geom_histogram(binwidth = 1) +
  labs(x = "Sauberkeitsrating",
       y = "Häufigkeit") +
  coord_cartesian(xlim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  ) 

# Erstelle das Streudiagramm für den Zusammenhang von Preis und 
# Sauberkeitsrating
ps2 <- ggplot(airbnb, aes(x = log10(Preis), y = Rating_sauberkeit)) +
  geom_point(alpha = .25) +
  labs(x = bquote("log"[10]*"(Preis)"),
       y = "Sauberkeitsrating") +
  coord_cartesian(ylim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  )

# Plotte die Grafiken untereinander
ps1 / ps2

```

*** 

```{r fig.width=3,fig.height=2, fig.align="center"}
# erstelle einen gauge der mittleren Sauberkeitsratings
sauberkeit <- round(mean(airbnb$Rating_sauberkeit, na.rm = TRUE), 1)
gauge(sauberkeit, min = 0, max = 10, gaugeSectors(
  success = c(8, 10), warning = c(5, 7), danger = c(0, 4)
))
```


Auch beim Thema Sauberkeit gehen viele Hosts keine Kompromisse ein. Es scheint jedoch ein paar faule Eier zu geben. Immerhin, wer bereit ist über `r round(3**2.5 / 100) * 100` Euro pro Nacht auszugeben scheint auf der sicheren Seite zu sein.




### Lage {data-commentary-width=300}

```{r}
# Erstelle das Histogramm der Lageratings
pl1 <- ggplot(airbnb, aes(Rating_lage)) +
  geom_histogram(binwidth = 1) +
  labs(x = "Lagerating",
       y = "Häufigkeit") +
  coord_cartesian(xlim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  ) 

# Erstelle das Streudiagramm für den Zusammenhang von Preis und 
# Lageratings
pl2 <- ggplot(airbnb, aes(x = log10(Preis), y = Rating_lage)) +
  geom_point(alpha = .25) +
  labs(x = bquote("log"[10]*"(Preis)"),
       y = "Lagerating") +
  coord_cartesian(ylim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  )

# Plotte die Grafiken untereinander
pl1 / pl2

```

*** 

```{r fig.width=3,fig.height=2, fig.align="center"}
# erstelle einen gauge der mittleren Lageratings
lage <- round(mean(airbnb$Rating_lage, na.rm = TRUE), 1)
gauge(lage, min = 0, max = 10, gaugeSectors(
  success = c(8, 10), warning = c(5, 7), danger = c(0, 4)
))
```

Verrückt; auch die Lageratings sind fast alle super. Entweder Berlin hat fast nur erstklassige Wohngebiete, viele der guten Wohnungen sind bei Airbnb vermietet, oder die Gäste sind sehr wohlwollend. Wir wissen es schlussendlich nicht. Jedenfalls scheint sich – zumindest basierend auf den unterschiedlichen Bewertungen – ein Besuch in Berlin zu lohnen.